CN117809124B - 基于多特征融合的医学图像关联调用方法及系统 - Google Patents
基于多特征融合的医学图像关联调用方法及系统 Download PDFInfo
- Publication number
- CN117809124B CN117809124B CN202410235270.4A CN202410235270A CN117809124B CN 117809124 B CN117809124 B CN 117809124B CN 202410235270 A CN202410235270 A CN 202410235270A CN 117809124 B CN117809124 B CN 117809124B
- Authority
- CN
- China
- Prior art keywords
- image
- medical
- fusion
- sample
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007499 fusion processing Methods 0.000 claims abstract description 45
- 238000002372 labelling Methods 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000003066 decision tree Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 24
- 238000012545 processing Methods 0.000 abstract description 20
- 230000008569 process Effects 0.000 abstract description 10
- 238000012216 screening Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 11
- 206010039083 rhinitis Diseases 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 206010061218 Inflammation Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000004054 inflammatory process Effects 0.000 description 3
- 210000004877 mucosa Anatomy 0.000 description 3
- 230000008719 thickening Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000003928 nasal cavity Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 201000008197 Laryngitis Diseases 0.000 description 1
- 206010033078 Otitis media Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000010473 stable expression Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了基于多特征融合的医学图像关联调用方法及系统,涉及医学影像处理技术领域,包括:获取医学类别;分析关联度,获得多个图像特征关联度;选取多个目标医学图像特征,分析标准度和丰富度;获取准确度,作为多个准确标注值;进行校正计算,获得多个校正准确标注值;进行图像融合处理,获得融合处理图像,采用多个校正准确标注值进行标注,发送至客户端进行展示。本发明解决了现有技术中存在的医学图像处理效率低下,导致展示的图像质量参差不齐,进而影响指导效果的技术问题,达到了通过智能化的筛选、融合处理和标注流程,提高医学图像处理的效率,确保图像展示的准确性,进而提高医学指导的效果和质量的技术效果。
Description
技术领域
本发明涉及医学影像处理技术领域,具体涉及基于多特征融合的医学图像关联调用方法及系统。
背景技术
在医学指导中,展示典型医学影像对于理解和掌握病症至关重要。医学图像通常具有丰富的特征信息,从医学影像数据库中筛选和调用相关的图像特征,可以为医学交流和探讨提供更全面和准确的资料。然而,医学影像的获取和展示面临许多挑战,包括图像特征的多样性、图像质量的差异以及如何从多个图像中整合相关信息等。传统的方法往往依赖于人工筛查和选择医学图像,这不仅耗时,而且容易引入主观偏差,影响展示内容的准确性和可靠性。因而现有技术存在医学图像处理效率低下,导致展示的图像质量参差不齐,进而影响指导效果的技术问题。
发明内容
本申请通过提供基于多特征融合的医学图像关联调用方法及系统,有效解决了现有技术中存在的医学图像处理效率低下,导致展示的图像质量参差不齐,进而影响指导效果的技术问题,达到了通过智能化的筛选、融合处理和标注流程,提高医学图像处理的效率,确保图像展示的准确性,进而提高医学指导的效果和质量的技术效果。
本申请提供了基于多特征融合的医学图像关联调用方法及系统,所述技术方案如下:
第一方面,本申请实施例提供了基于多特征融合的医学图像关联调用方法,所述方法包括:
响应于医学图像展示指令,获取用户端待进行展示的医学图像的医学类别;
根据所述医学类别,分析影像数据库内多种图像特征与所述医学类别的关联度,获得多个图像特征关联度;
根据所述多个图像特征关联度,选取待进行图像融合的多个目标医学图像特征,并分析所述多个目标医学图像特征在所述影像数据库内的标准度和丰富度;
根据多个标准度和多个丰富度,分析获取多个目标医学图像特征的准确度,作为多个准确标注值;
根据所述多个目标医学图像特征的多个目标特征关联度,对所述多个目标医学图像特征进行融合的算力和融合图像质量标准进行分配,获得多个融合算力和多个融合图像质量标准,并对所述多个准确标注值进行校正计算,获得多个校正准确标注值;
根据所述多个目标医学图像特征和多个融合图像质量标准,在所述影像数据库内选取获得多个待融合特征图像,按照所述多个融合算力进行图像融合处理,获得融合处理图像,并采用所述多个校正准确标注值在多个目标医学图像特征处进行标注,发送至客户端进行展示。
第二方面,本申请实施例提供了基于多特征融合的医学图像关联调用系统,所述系统包括:
医学类别获取模块,所述医学类别获取模块用于响应于医学图像展示指令,获取用户端待进行展示的医学图像的医学类别;
关联度分析模块,所述关联度分析模块用于根据所述医学类别,分析影像数据库内多种图像特征与所述医学类别的关联度,获得多个图像特征关联度;
标准度和丰富度分析模块,所述标准度和丰富度分析模块用于根据所述多个图像特征关联度,选取待进行图像融合的多个目标医学图像特征,并分析所述多个目标医学图像特征在所述影像数据库内的标准度和丰富度;
准确度获取模块,所述准确度获取模块用于根据多个标准度和多个丰富度,分析获取多个目标医学图像特征的准确度,作为多个准确标注值;
校正计算模块,所述校正计算模块用于根据所述多个目标医学图像特征的多个目标特征关联度,对所述多个目标医学图像特征进行融合的算力和融合图像质量标准进行分配,获得多个融合算力和多个融合图像质量标准,并对所述多个准确标注值进行校正计算,获得多个校正准确标注值;
图像融合处理模块,所述图像融合处理模块用于根据所述多个目标医学图像特征和多个融合图像质量标准,在所述影像数据库内选取获得多个待融合特征图像,按照所述多个融合算力进行图像融合处理,获得融合处理图像,并采用所述多个校正准确标注值在多个目标医学图像特征处进行标注,发送至客户端进行展示。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请首先响应于医学图像展示指令,获取用户端待进行展示的医学图像的医学类别,再根据所述医学类别,分析影像数据库内多种图像特征与所述医学类别的关联度,获得多个图像特征关联度,根据所述多个图像特征关联度,选取待进行图像融合的多个目标医学图像特征,并分析所述多个目标医学图像特征在所述影像数据库内的标准度和丰富度,进而根据多个标准度和多个丰富度,分析获取多个目标医学图像特征的准确度,作为多个准确标注值,然后根据所述多个目标医学图像特征的多个目标特征关联度,对所述多个目标医学图像特征进行融合的算力和融合图像质量标准进行分配,获得多个融合算力和多个融合图像质量标准,并对所述多个准确标注值进行校正计算,获得多个校正准确标注值,最后根据所述多个目标医学图像特征和多个融合图像质量标准,在所述影像数据库内选取获得多个待融合特征图像,按照所述多个融合算力进行图像融合处理,获得融合处理图像,并采用所述多个校正准确标注值在多个目标医学图像特征处进行标注,发送至客户端进行展示。有效解决了现有技术中存在的医学图像处理效率低下,导致展示的图像质量参差不齐,进而影响指导效果的技术问题,达到了通过智能化的筛选、融合处理和标注流程,提高医学图像处理的效率,确保图像展示的准确性,进而提高医学指导的效果和质量的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于多特征融合的医学图像关联调用方法流程示意图;
图2为本申请实施例提供的分析多个目标医学图像特征在影像数据库内的标准度和丰富度方法流程示意图;
图3为本申请实施例提供的基于多特征融合的医学图像关联调用系统结构示意图。
附图标记说明:医学类别获取模块1,关联度分析模块2,标准度和丰富度分析模块3,准确度获取模块4,校正计算模块5,图像融合处理模块6。
具体实施方式
本申请通过提供了基于多特征融合的医学图像关联调用方法及系统,用于针对解决现有技术中存在的医学图像处理效率低下,导致展示的图像质量参差不齐,进而影响指导效果的技术问题。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或模块。
实施例一:
如图1所示,本发明提供了基于多特征融合的医学图像关联调用方法,用于通过智能化的筛选、融合处理和标注流程,提高医学图像处理的效率,确保图像展示的准确性,进而提高医学指导的效果和质量,所述方法包括:
当用户想要研究或查看医学影像时,系统接收用户的需求指令(医学图像展示指令),这个指令来自用户端,包括来自用户界面、应用或网站的请求等,接收到用户的指令后,系统对该指令进行响应,获取用户端想要进行展示的医学图像的医学类别,所述医学类别是指用户想要查看的疾病或病症,例如鼻炎、喉炎、中耳炎等。
根据获取的医学类别,在影像数据库中分析和评估多种图像特征与该医学类别的关联度,其中,所述影像数据库是存储和管理医学影像数据的数据库系统,用于存储大量的医学图像数据,包括X光片、CT扫描、MRI、超声波等各种医学成像技术产生的图像,所述关联度分析旨在确定哪些图像特征与用户请求的医学类别紧密相关。具体而言,从影像数据库中提取与用户请求的医学类别相关的图像数据,然后,利用图像处理和分析算法,计算这些图像的特征与医学类别的关联度,所述图像特征包括但不限于病变区域的形状、纹理、颜色等。通过关联度分析,量化图像特征与医学类别之间的相关性,从而获得多个图像特征的关联度值(所述多个图像特征关联度),特征关联度值越高,表示该图像特征与特定医学类别的相关性越强。例如,当医学类别为鼻炎时,在鼻炎的医学影像中,图像特征包括鼻腔内部的形态、黏膜增厚、炎症反应等,通过分析这些特征与鼻炎之间的关联度,可以评估哪些特征与鼻炎的相关性较高。
根据关联度分析的结果,选取与当前医学类别关联度最大的图像特征作为目标医学图像特征,这些特征是与疾病诊断和识别最为相关的图像属性。选取了目标医学图像特征后,进一步采用统计分析、机器学习算法、深度学习算法或图像处理技术等方法分析这些特征在影像数据库中的标准度和丰富度,所述标准度是指数据库中某一特征的一致性和规范性,即该特征在不同图像中是否具有稳定的表现形式和测量值;所述丰富度是指数据库中某一特征的多样性和数量,即该特征在数据库中的实例数量和变化范围。以鼻炎为例,假设选取的目标医学图像特征包括鼻腔内部的黏膜增厚和炎症反应,系统会分析影像数据库中这些特征的标准度和丰富度,评估其在数据库中的一致性和多样性,如果黏膜增厚和炎症反应在数据库中具有一致的表现形式和测量值,说明它们的标准度高,有利于提高诊断的准确性和可靠性,同时,如果这些特征在数据库中有足够的实例数量和变化范围,说明它们的丰富度高,能够提供更多的信息用于后续的图像处理和展示。
完成对多个目标医学图像特征的标准度和丰富度的分析后,根据标准度和丰富度评估每个目标医学图像特征的准确度,所述准确度是衡量特征识别和分类精度的指标,是指特征识别的准确程度,即特征在多大程度上能准确反映疾病的状态或类型,准确度越高意味着特征提取和识别的准确性越高。例如,如果某个特征的标准度高,说明其在数据库中的表现形式和测量值较为一致,该特征的识别精度可能较高,同样,如果某个特征的丰富度高,意味着该特征在数据库中有较多的实例和变化范围,这也有助于提高特征识别的准确性。通过综合考虑标准度和丰富度,分析并获取每个目标医学图像特征的准确度,将这些准确度值作为准确标注值,所述准确标注值是对医学图像特征的准确评估或标注,提供了关于特征可靠性和准确性的信息。
根据关联度分析结果中的目标医学图像特征的目标特征关联度,对多个目标医学图像特征进行融合的算力和融合图像质量标准进行分配,即,根据特征与医学类别的关联度优化算力和质量标准的分配,确保融合效果的最佳化,对与医学类别高度相关的特征,在融合过程中给予它们更多的权重或优先级。通过合理地分配算力,能够根据特征关联度的高低动态调整融合过程中的资源利用,确保关键特征得到足够的处理能力,同时,根据特征关联度设定相应的融合图像质量标准,使与医学类别高度相关的特征在融合时得到更高的质量标准,用于确保融合出的医学图像在分辨率、对比度等方面符合诊断等需求。对于每个准确标注值,评估其与设定的融合图像质量标准的符合程度,通过比较标注值与质量标准之间的差异,得到准确标注值与质量标准的符合度,再使用校正算法(线性插值、多项式拟合、指数函数等)对准确标注值进行校正,得到校正准确标注值。
根据多个目标医学图像特征和多个融合图像质量标准,在影像数据库内选取获得多个待融合特征图像,按照确定的多个融合算力对选取的多个待融合特征图像进行图像融合处理,将多张图像的信息整合到一起,生成一张更全面、信息更丰富的融合处理图像。最后,使用校正后的准确标注值在融合处理图像中的多个目标医学图像特征处进行标注,以提供关于这些特征的详细信息和解释,完成标注后,将融合处理图像发送至客户端进行展示。本申请实施例通过智能化的筛选、融合处理和标注流程,减少了人工干预和主观偏差,达到了提高医学图像处理的效率,确保图像展示的准确性和可靠性,进而提高医学指导的效果和质量的技术效果。
在本申请实施例提供的一种优选实施方式中,根据所述医学类别,分析影像数据库内多种图像特征与所述医学类别的关联度,包括:
从临床数据、病例报告、研究论文等来源收集各种医学类别的数据,得到样本医学类别集合,从影像数据库中提取图像特征,得到样本图像特征集合,其中,样本医学类别集合包含各种医学类别的数据,样本图像特征集合包含与这些医学类别相关的图像特征数据。对于每个样本医学类别和每个样本图像特征,采用基于统计的方法、机器学习算法或根据专家经验等,计算它们之间的关联度,从而为每个样本医学类别和图像特征对生成一个关联度值,将这些关联度值集合起来得到样本图像特征关联度集合。
利用样本医学类别集合、样本图像特征集合和关联度集合,采用决策树、支持向量机或神经网络等构建一个图像特征关联分类器,所述分类器用于预测新的医学类别与图像特征之间的关联度。
使用构建的图像特征关联分类器,对给定的医学类别和多种医学图像特征进行关联度分类,将医学类别和图像特征输入到分类器中,分类器输出它们之间的关联度值,从而为每个医学类别生成一个与多种医学特征的关联度集合,得到多个图像特征关联度。这一优选实施方式通过构建图像特征关联分类器来获取特征关联度,分类器基于大量样本数据进行训练,可以学习医学类别与图像特征之间的非线性关系,从而可以对关联度进行更为准确的预测,达到了提高获得的图像特征关联度的准确性和可靠性的技术效果。
在本申请实施例提供的另一种优选实施方式中,根据所述多个图像特征关联度,选取待进行图像融合的多个目标医学图像特征,并分析所述多个目标医学图像特征在所述影像数据库内的标准度和丰富度,包括:
将得到的多个图像特征关联度按照从大到小的顺序进行排序,从排序后的图像特征关联度集合中选取最大的K个关联度对应的图像特征作为目标医学图像特征(优先选取与医学类别最为相关的图像特征),其中,K是一个大于1的整数,表示选取的目标医学图像特征的数量。
基于选取的目标医学图像特征,在影像数据库中进行检索和筛选,提取出具有这些特征的医学图像,从而得到多个目标医学图像集合(每个集合对应一种图像特征),每个集合内的图像具有相似的特征并能为医学类别的判断提供有价值的信息。
基于多个目标医学图像集合,对每个目标医学图像特征,分析其在影像数据库内的标准度和丰富度,具体而言,统计每个目标医学图像特征在数据库中出现的次数或频率,然后根据这些数据计算该特征的标准度,例如,如果某个特征在大多数医学类别中频繁出现,则其标准度较高;反之,如果仅在少数类别中出现,则标准度较低。分析每个目标医学图像特征在不同医学类别中的分布情况,通过比较不同类别中该特征的差异程度、变化范围或多样性评估其丰富度,例如,如果某个特征在不同医学类别中有明显的差异表现,则其丰富度较高;反之,如果特征在不同类别中表现相似或变化不大,则丰富度较低。这一优选实施方式通过对多个图像特征关联度进行排序,优先选取与医学类别最为相关的K个特征,确保了选择的特征具有多样性,从而可以捕捉到更全面的图像信息,达到了提高医学图像分析的准确性和可靠性的技术效果。
如图2所示,在本申请实施例提供的另一种优选实施方式中,根据所述多个目标医学图像集合,分析所述多个目标医学图像特征在所述影像数据库内的标准度和丰富度,包括:
从影像数据库中随机选取多组样本医学图像,每组样本都包含两个样本医学图像,对每组样本医学图像采用余弦相似度、欧氏距离等相似度分析方法进行相似度分析,计算每组样本医学图像之间的相似度值,形成一个样本相似度集合。
利用获取的多组样本医学图像和样本相似度集合,基于孪生网络构建一个医学图像相似度识别器,所述医学图像相似度识别器用于识别和比较输入的相似性,它学习并捕获输入样本间的相似性和差异性,从而用于医学图像的相似度分析。使用构建好的医学图像相似度识别器,分别对多个目标医学图像集合内随机组合的目标医学图像进行相似度分析,对于每个目标医学图像组合,计算它们之间的相似度值,形成多个相似度集合。
计算多个相似度集合的均值,获得多个标准度,所述标准度反映了所选目标医学图像特征在数据库中的普遍程度和代表性,均值越高,标准度越高,表明该特征在多个医学类别中具有较为一致的表现和代表性。
提取每个目标医学图像集合内的目标医学图像数量,形成多个图像数量,这些数量反映了每个特征集合的大小和多样性。根据多个图像数量和预设的图像数量(例如数据库中总图像数量)的比值,计算并获得多个丰富度,如果某个特征集合的图像数量占预设图像数量的比例较高,则其丰富度较高;反之,如果比例较低,则丰富度较低,丰富度反映了特征在不同医学类别中的多样性和差异性。这一优选实施方式利用孪生网络进行医学图像的相似度分析,避免了手工设计和选择特征的复杂性,达到了通过提高相似度分析的准确性,进而提高标准度分析的准确性的技术效果,同时,获得丰富度的方法简单直观,可以用来快速处理大规模数据集,进而达到了提高计算效率的技术效果。
在本申请实施例提供的另一种优选实施方式中,根据多个标准度和多个丰富度,分析获取多个目标医学图像特征的准确度,作为多个准确标注值,包括:
从样本数据集中获取样本标准度集合、样本丰富度集合和样本准确度集合,其中,样本准确度的大小和样本标准度与样本丰富度的大小正相关,即,如果一个样本在数据库中具有较高的标准度和丰富的多样性,那么它的准确度也相对较高,这种正相关用于将特征的标准度、丰富度和准确度关联起来,从而在一个统一的框架下评估特征的质量和适用性。
使用决策树算法构建图像特征准确度分类器,用于预测和分类医学图像特征的准确度,使用样本标准度集合、样本丰富度集合和样本准确度集合作为训练数据训练所述分类器,训练过程中,决策树学习如何根据标准度和丰富度来预测和分类图像特征的准确度。训练完成后,将所述多个标准度和所述多个丰富度输入到分类器中,分类器根据学习的规则和模型,输出多个特征的多个预测准确度值,这些准确度值即为准确标注值。这一优选实施方式通过使用决策树算法构建分类器来预测准确度值,获得了一个有效、可解释和可靠的模型,由于决策树可以进行准确的预测和分类,因而达到了提高处理结果的准确性和可靠性的技术效果。
在本申请实施例提供的另一种优选实施方式中,根据所述多个目标医学图像特征的多个目标特征关联度,对所述多个目标医学图像特征进行融合的算力和融合图像质量标准进行分配,获得多个融合算力和多个融合图像质量标准,并对所述多个准确标注值进行校正计算,包括:
通过与计算资源管理系统进行交互,获取当前可用的空闲算力,即,可以进行医学图像融合的空闲算力,根据多个目标特征关联度的大小进行算力的分配计算,通过为关联度较高的特征分配更多的计算资源,以确保融合的质量和准确性,通过算力分配,得到对应于多个目标特征的多个融合算力。
从过去进行过的融合任务中或经过专家评估的数据集中收集获取样本特征关联度集合和样本图像质量标准集合,根据样本特征关联度集合和图像质量标准集合,使用决策树、支持向量机、神经网络等算法构建一个图像质量标准分类器,用于预测和分类图像质量标准。分类器构建完成后,将所述多个目标特征关联度输入到分类器中,分类器根据不同的输入输出相应的多个融合图像质量标准。
通过计算多个融合图像质量标准和平均图像质量标准的比值,得到多个校正因子,其中,所述平均图像质量标准是指在一定数量的医学图像中,图像质量的一个平均水平或中位数,用于表征图像的总体质量。使用校正因子对对应特征的准确标注值进行校正计算,获得校正后的准确标注值,校正过程通过调整某些特征的准确度值,以反映其在不同图像质量标准下的真实表现和性能。这一优选实施方式为关联度较高的特征分配更多的算力,确保了这些特征在融合过程中得到更深入的处理和分析,从而达到了提高整体的融合质量的技术效果,同时,通过构建图像质量标准分类器,统一了不同特征的评估标准,且通过融合图像质量标准和平均图像质量标准之间的比值进行校正计算,减少了由于人为因素或不同标准导致的主观偏差,从而达到了获得准确和可靠的校正结果的技术效果。
在本申请实施例提供的另一种优选实施方式中,根据所述多个目标医学图像特征和多个融合图像质量标准,在所述影像数据库内选取获得多个待融合特征图像,按照所述多个融合算力进行图像融合处理,包括:
通过查询数据库、使用过滤器或编写自定义的算法,在影像数据库中筛选出符合多个目标医学图像特征和多个融合图像质量标准的医学图像作为多个待融合特征图像,所述筛选用于确保所选图像与目标特征和所需的质量标准相匹配,以提高后续融合处理的效果和准确性,所述多个待融合特征图像是与目标特征相关度高、质量水平良好的图像。
获得了多个待融合特征图像后,按照多个融合算力,采用图像融合算法(如拉普拉斯金字塔融合、小波变换融合、多分辨率分析等)对这些图像进行融合处理,整合多个图像的特征信息,生成一个综合的融合处理图像。
在进行融合处理后,通过特征检测、定位或追踪等方法确定目标医学图像特征在融合处理图像中的位置,并采用所述多个校正准确标注值对融合处理图像中的目标医学图像特征进行标注,以指示特征的重要性、准确度或其他相关信息,通过使用校正后的标注值,用于更准确地反映特征的真实性能和表现。这一优选实施方式可以根据不同的标准和条件筛选出所需的医学图像,并且可以根据不同任务和场景的需求,选择合适的图像融合算法和处理技术,从而达到了具有灵活性和可扩展性的技术效果。
实施例二:
基于与前述实施例中基于多特征融合的医学图像关联调用方法相同的发明构思,如图3所示,本申请提供了基于多特征融合的医学图像关联调用系统,所述系统包括:
医学类别获取模块1,所述医学类别获取模块1用于响应于医学图像展示指令,获取用户端待进行展示的医学图像的医学类别;
关联度分析模块2,所述关联度分析模块2用于根据所述医学类别,分析影像数据库内多种图像特征与所述医学类别的关联度,获得多个图像特征关联度;
标准度和丰富度分析模块3,所述标准度和丰富度分析模块3用于根据所述多个图像特征关联度,选取待进行图像融合的多个目标医学图像特征,并分析所述多个目标医学图像特征在所述影像数据库内的标准度和丰富度;
准确度获取模块4,所述准确度获取模块4用于根据多个标准度和多个丰富度,分析获取多个目标医学图像特征的准确度,作为多个准确标注值;
校正计算模块5,所述校正计算模块5用于根据所述多个目标医学图像特征的多个目标特征关联度,对所述多个目标医学图像特征进行融合的算力和融合图像质量标准进行分配,获得多个融合算力和多个融合图像质量标准,并对所述多个准确标注值进行校正计算,获得多个校正准确标注值;
图像融合处理模块6,所述图像融合处理模块6用于根据所述多个目标医学图像特征和多个融合图像质量标准,在所述影像数据库内选取获得多个待融合特征图像,按照所述多个融合算力进行图像融合处理,获得融合处理图像,并采用所述多个校正准确标注值在多个目标医学图像特征处进行标注,发送至客户端进行展示。
进一步的,所述关联度分析模块2用于执行如下方法:
获取样本医学类别集合,并在所述影像数据库内获取样本图像特征集合,获取每个样本医学类别和每个样本图像特征的关联度,获得多个样本图像特征关联度集合;
采用所述样本医学类别集合、样本图像特征集合和多个样本图像特征关联度集合,构建图像特征关联分类器;
基于所述图像特征关联分类器,对所述医学类别和多种医学特征进行关联度分类,获得多个图像特征关联度。
进一步的,所述标准度和丰富度分析模块3用于执行如下方法:
对所述多个图像特征关联度按照从大到小的顺序进行排序,选取最大的K个图像特征关联度对应的图像特征,作为所述多个目标医学图像特征,K为大于1的整数;
基于所述多个目标医学图像特征,在所述影像数据库内提取具有所述多个目标医学图像特征的医学图像,获得多个目标医学图像集合;
根据所述多个目标医学图像集合,分析所述多个目标医学图像特征在所述影像数据库内的标准度和丰富度。
进一步的,所述标准度和丰富度分析模块3用于执行如下方法:
获取均包括两个样本医学图像的多组样本医学图像,并进行相似度分析,获得样本相似度集合;
采用所述多组样本医学图像和样本相似度集合,基于孪生网络,构建医学图像相似度识别器,分别对所述多个目标医学图像集合内随机组合的目标医学图像进行相似度分析,获得多个相似度集合;
计算所述多个相似度集合的均值,获得多个标准度;
提取所述多个目标医学图像集合内目标医学图像的数量,获得多个图像数量,根据多个图像数量和预设图像数量的比值,获得多个丰富度。
进一步的,所述准确度获取模块4用于执行如下方法:
获取样本标准度集合、样本丰富度集合,并获取样本准确度集合,其中,样本准确度的大小和样本标准度与样本丰富度的大小正相关;
基于决策树,采用样本标准度集合、样本丰富度集合和样本准确度集合,构建图像特征准确度分类器,对所述多个标准度和多个丰富度进行分类,获得多个准确度,作为多个准确标注值。
进一步的,所述校正计算模块5用于执行如下方法:
获取进行医学图像融合的空闲算力,根据所述多个目标特征关联度的大小进行分配计算,获得多个融合算力;
获取样本特征关联度集合,并获取样本图像质量标准集合,构建图像质量标准分类器,对所述多个目标特征关联度进行分类,获得所述多个融合图像质量标准;
根据所述多个融合图像质量标准和平均图像质量标准的比值,对所述多个准确标注值进行校正计算,获得所述多个校正准确标注值。
进一步的,所述图像融合处理模块6用于执行如下方法:
在所述影像数据库内选取获得符合所述多个目标医学图像特征和多个融合图像质量标准的医学图像,作为多个待融合特征图像;
按照所述多个融合算力,对所述多个待融合特征图像进行融合处理,获得融合处理图像;
获取所述多个目标医学图像特征在所述融合处理图像内的位置,采用所述多个校正准确标注值进行标注。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在本申请的范围内。在一些情况下,在本申请中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.基于多特征融合的医学图像关联调用方法,其特征在于,所述方法包括:
响应于医学图像展示指令,获取用户端待进行展示的医学图像的医学类别;
根据所述医学类别,分析影像数据库内多种图像特征与所述医学类别的关联度,获得多个图像特征关联度;
根据所述多个图像特征关联度,选取待进行图像融合的多个目标医学图像特征,并分析所述多个目标医学图像特征在所述影像数据库内的标准度和丰富度;
根据多个标准度和多个丰富度,分析获取多个目标医学图像特征的准确度,作为多个准确标注值;
根据所述多个目标医学图像特征的多个目标特征关联度,对所述多个目标医学图像特征进行融合的算力和融合图像质量标准进行分配,获得多个融合算力和多个融合图像质量标准,并对所述多个准确标注值进行校正计算,获得多个校正准确标注值;
根据所述多个目标医学图像特征和多个融合图像质量标准,在所述影像数据库内选取获得多个待融合特征图像,按照所述多个融合算力进行图像融合处理,获得融合处理图像,并采用所述多个校正准确标注值在多个目标医学图像特征处进行标注,发送至客户端进行展示。
2.根据权利要求1所述的方法,其特征在于,根据所述医学类别,分析影像数据库内多种图像特征与所述医学类别的关联度,包括:
获取样本医学类别集合,并在所述影像数据库内获取样本图像特征集合,获取每个样本医学类别和每个样本图像特征的关联度,获得多个样本图像特征关联度集合;
采用所述样本医学类别集合、样本图像特征集合和多个样本图像特征关联度集合,构建图像特征关联分类器;
基于所述图像特征关联分类器,对所述医学类别和多种医学特征进行关联度分类,获得多个图像特征关联度。
3.根据权利要求1所述的方法,其特征在于,根据所述多个图像特征关联度,选取待进行图像融合的多个目标医学图像特征,并分析所述多个目标医学图像特征在所述影像数据库内的标准度和丰富度,包括:
对所述多个图像特征关联度按照从大到小的顺序进行排序,选取最大的K个图像特征关联度对应的图像特征,作为所述多个目标医学图像特征,K为大于1的整数;
基于所述多个目标医学图像特征,在所述影像数据库内提取具有所述多个目标医学图像特征的医学图像,获得多个目标医学图像集合;
根据所述多个目标医学图像集合,分析所述多个目标医学图像特征在所述影像数据库内的标准度和丰富度。
4.根据权利要求3所述的方法,其特征在于,根据所述多个目标医学图像集合,分析所述多个目标医学图像特征在所述影像数据库内的标准度和丰富度,包括:
获取均包括两个样本医学图像的多组样本医学图像,并进行相似度分析,获得样本相似度集合;
采用所述多组样本医学图像和样本相似度集合,基于孪生网络,构建医学图像相似度识别器,分别对所述多个目标医学图像集合内随机组合的目标医学图像进行相似度分析,获得多个相似度集合;
计算所述多个相似度集合的均值,获得多个标准度;
提取所述多个目标医学图像集合内目标医学图像的数量,获得多个图像数量,根据多个图像数量和预设图像数量的比值,获得多个丰富度。
5.根据权利要求1所述的方法,其特征在于,根据多个标准度和多个丰富度,分析获取多个目标医学图像特征的准确度,作为多个准确标注值,包括:
获取样本标准度集合、样本丰富度集合,并获取样本准确度集合,其中,样本准确度的大小和样本标准度与样本丰富度的大小正相关;
基于决策树,采用样本标准度集合、样本丰富度集合和样本准确度集合,构建图像特征准确度分类器,对所述多个标准度和多个丰富度进行分类,获得多个准确度,作为多个准确标注值。
6.根据权利要求1所述的方法,其特征在于,根据所述多个目标医学图像特征的多个目标特征关联度,对所述多个目标医学图像特征进行融合的算力和融合图像质量标准进行分配,获得多个融合算力和多个融合图像质量标准,并对所述多个准确标注值进行校正计算,包括:
获取进行医学图像融合的空闲算力,根据所述多个目标特征关联度的大小进行分配计算,获得多个融合算力;
获取样本特征关联度集合,并获取样本图像质量标准集合,构建图像质量标准分类器,对所述多个目标特征关联度进行分类,获得所述多个融合图像质量标准;
根据所述多个融合图像质量标准和平均图像质量标准的比值,对所述多个准确标注值进行校正计算,获得所述多个校正准确标注值。
7.根据权利要求1所述的方法,其特征在于,根据所述多个目标医学图像特征和多个融合图像质量标准,在所述影像数据库内选取获得多个待融合特征图像,按照所述多个融合算力进行图像融合处理,包括:
在所述影像数据库内选取获得符合所述多个目标医学图像特征和多个融合图像质量标准的医学图像,作为多个待融合特征图像;
按照所述多个融合算力,对所述多个待融合特征图像进行融合处理,获得融合处理图像;
获取所述多个目标医学图像特征在所述融合处理图像内的位置,采用所述多个校正准确标注值进行标注。
8.基于多特征融合的医学图像关联调用系统,其特征在于,所述系统包括:
医学类别获取模块,所述医学类别获取模块用于响应于医学图像展示指令,获取用户端待进行展示的医学图像的医学类别;
关联度分析模块,所述关联度分析模块用于根据所述医学类别,分析影像数据库内多种图像特征与所述医学类别的关联度,获得多个图像特征关联度;
标准度和丰富度分析模块,所述标准度和丰富度分析模块用于根据所述多个图像特征关联度,选取待进行图像融合的多个目标医学图像特征,并分析所述多个目标医学图像特征在所述影像数据库内的标准度和丰富度;
准确度获取模块,所述准确度获取模块用于根据多个标准度和多个丰富度,分析获取多个目标医学图像特征的准确度,作为多个准确标注值;
校正计算模块,所述校正计算模块用于根据所述多个目标医学图像特征的多个目标特征关联度,对所述多个目标医学图像特征进行融合的算力和融合图像质量标准进行分配,获得多个融合算力和多个融合图像质量标准,并对所述多个准确标注值进行校正计算,获得多个校正准确标注值;
图像融合处理模块,所述图像融合处理模块用于根据所述多个目标医学图像特征和多个融合图像质量标准,在所述影像数据库内选取获得多个待融合特征图像,按照所述多个融合算力进行图像融合处理,获得融合处理图像,并采用所述多个校正准确标注值在多个目标医学图像特征处进行标注,发送至客户端进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410235270.4A CN117809124B (zh) | 2024-03-01 | 2024-03-01 | 基于多特征融合的医学图像关联调用方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410235270.4A CN117809124B (zh) | 2024-03-01 | 2024-03-01 | 基于多特征融合的医学图像关联调用方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117809124A CN117809124A (zh) | 2024-04-02 |
CN117809124B true CN117809124B (zh) | 2024-04-26 |
Family
ID=90423669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410235270.4A Active CN117809124B (zh) | 2024-03-01 | 2024-03-01 | 基于多特征融合的医学图像关联调用方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117809124B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118053007B (zh) * | 2024-04-16 | 2024-07-12 | 中国标准化研究院 | 一种基于大数据的标准内容比对展示方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011041925A1 (zh) * | 2009-10-09 | 2011-04-14 | 江苏大学 | 基于多传感信息融合的名优茶品质仪器智能化审评方法 |
CN112907571A (zh) * | 2021-03-24 | 2021-06-04 | 南京鼓楼医院 | 基于多光谱图像融合识别的目标判定方法 |
CN116805380A (zh) * | 2023-06-28 | 2023-09-26 | 广州医科大学附属肿瘤医院 | 多模态医学图像融合分类方法及装置、设备、存储介质 |
-
2024
- 2024-03-01 CN CN202410235270.4A patent/CN117809124B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011041925A1 (zh) * | 2009-10-09 | 2011-04-14 | 江苏大学 | 基于多传感信息融合的名优茶品质仪器智能化审评方法 |
CN112907571A (zh) * | 2021-03-24 | 2021-06-04 | 南京鼓楼医院 | 基于多光谱图像融合识别的目标判定方法 |
CN116805380A (zh) * | 2023-06-28 | 2023-09-26 | 广州医科大学附属肿瘤医院 | 多模态医学图像融合分类方法及装置、设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
刘国帅 ; 仲伟峰 ; 殷飞 ; 刘成林 ; .自然场景图像与合成图像的快速分类.中国图象图形学报.2017,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117809124A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
US8687879B2 (en) | Method and apparatus for generating special-purpose image analysis algorithms | |
CN117809124B (zh) | 基于多特征融合的医学图像关联调用方法及系统 | |
WO2019015246A1 (zh) | 图像特征获取 | |
US20170061608A1 (en) | Cloud-based pathological analysis system and method | |
EP2894577B1 (en) | Retrieving system, retrieving method, and security inspection device based on contents of fluoroscopic images | |
US20220215548A1 (en) | Method and device for identifying abnormal cell in to-be-detected sample, and storage medium | |
WO2019198094A1 (en) | Method and system for estimating total count of blood cells in a blood smear | |
CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
US20210216745A1 (en) | Cell Detection Studio: a system for the development of Deep Learning Neural Networks Algorithms for cell detection and quantification from Whole Slide Images | |
CN108229289B (zh) | 目标检索方法、装置和电子设备 | |
CN112016618A (zh) | 一种用于对图像语义分割模型泛化能力的度量方法 | |
CN112818148B (zh) | 视觉检索的排序优化方法、装置、电子设备及存储介质 | |
CN112801940B (zh) | 模型评测方法、装置、设备及介质 | |
CN116664585B (zh) | 基于深度学习的头皮健康状况检测方法及相关装置 | |
CN115797246A (zh) | 病理图像质量评估、调节方法和系统、电子设备、介质 | |
Sameki et al. | ICORD: Intelligent Collection of Redundant Data-A Dynamic System for Crowdsourcing Cell Segmentations Accurately and Efficiently. | |
US20230245495A1 (en) | Face recognition systems data collection process | |
CN107194918B (zh) | 数据分析方法及装置 | |
CN111027771A (zh) | 景区客流量预估方法、系统、装置及可存储介质 | |
CN113506266B (zh) | 舌头腻苔的检测方法、装置、设备及存储介质 | |
CN115662595A (zh) | 基于在线诊疗系统的用户信息管理方法及系统 | |
CN111462087B (zh) | 基于人工智能的图像检测方法、装置、系统及存储介质 | |
CN117015812A (zh) | 用于对数据点进行聚类的系统 | |
Asha | An Enhanced Deep Learning Algorithms for Image Recognition and Plant Leaf Disease Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |